待验证70% 置信事实精确时间

GRPO相比传统PPO算法的关键创新在于通过对同一问题采样多个输出计算组内相对得分替代独立的价值网络，降低显存占用

2

来源数

70%

置信度

长期有效

时效性

2026/7/22

首次发现

来源

Qwen3深度解析：开源混合推理大模型的全面进化

相关事实

待验证GRPO的核心创新在于完全去掉了价值网络，通过对同一问题采样多个回答形成一个组，用组内回报的均值作为基准79% 相似待验证GRPO通过对同一输入生成一组候选输出，以组内相对奖励而非绝对奖励信号来更新模型，降低了对独立价值网络（critic）的依赖79% 相似待验证GRPO 可以概括为 PPO 减去 critic，再加上一个组内均值 baseline。77% 相似待验证GRPO这类答案级优势分配算法并非万能，当答案内部各句质量差异较大时均匀分配优势值会稀释信号，甚至强化错误行为。76% 相似待验证GRPO的监督粒度是序列级，整条回答共享一个优势值，无法指出推理链中哪一步出错。67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/592622

API

curl https://kongchang.com/api/v1/knowledge/claims/592622

MCP

get_claim(id=592622)